خلاصة:
اقتصاد هر کشور از بخشهای مختلفی تشکیل شده که روابط بین این بخشها، سمت و سوی اقتصاد آن
کشور را مشخص میکند. در این میان بازار سرمایه در کنار بازار پول، به عنوان اجز ای تشکیل دهنده بازارهای
مالی بوده و در واقع، شریانهای اصلی یک اقتصاد محسوب میشوند، که مسائلی نظیر رشد و توسعه اقتصادی
منوط به عملکرد آنها در اقتصاد است و چنانچه رابطه منطقی بین بازار مالی با بخش های دیگر اقتصادی وجود
نداشته باشد، احتمال بروز اختلالات و نقصانهایی در ساز و کار اقتصاد وجود دارد. بازار بورس به عنوان رکن
اصلی بازار مالی نقش مهمی را در تسهیل سرمایهگذاریهای شکل گرفته در بازار سرمایه ایفا میکند. هدف اصلی
این پژوهش پیشبینی شاخص قیمت سهام بورس تهران است. بدین روی، ضمن مرور اجمالی بر
شناخته شده ترین نظریه های اقتصادی، به ارائه روش جدیدتری نسبت به روش های دیگر رای ج پیش بینی در
اثر متغیرهای کلان اقتصادی (شامل نرخ ارز، نرخ ،GMDH گذشته پرداخته و با استفاده از مدل شبکه عصبی
تورم و تولید ناخالص داخلی) بر شاخص قیمت سهام بورس اوراق بهادار تهران را الگوسازی و پیش بینی میکنیم.
قابلیت استفاده در موضوع های متنوعی مانند کشف روابط، پیش بینی، مدل سازی سیستم ها، GMDH الگوریتم
بهینه سازی و شناخت الگوهای غیرخطی را دارد. ویژگی خاص این الگوریتم استنتاجی، قابلیت شناسایی و
غربال کردن متغیرهای کم اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه سازی در دوره آزمون است .
بدین ترتیب، می توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیره ای کم اثرتر را حذف نمود و در
نهایت، مدل بهینه برای پیش بینی را بر اساس معیارهای رایج خطا نظیر MAPE و RMSE به دست آورد.
افزون براین، این الگوریتم قادر به شناسایی و رتبه بندی تاثیرگذارترین متغیرها نیز م یباشد. نتایج ب ه دست آمده
در پیش بینی شاخص قیمت سهام بورس تهران GMDH حاکی از دقت بسیار بالا و قابلیت فوق العاده الگوریتم
است، به طوری که خطای حاصل از پیش بینی شاخص قیمت سهام بورس تهران برای داده های سالانه
0,37 درصد، ماهانه 0,35 درصد و برای فصلی 2,04 درصد است. همچنین، نتایج نشان می دهد که در بهترین مدل متغیرهای نرخ ارز، نرخ تورم GMDH غیرخطی پیش بینی شاخص قیمت سهام با استفاده از مدل شبکه عصبی و تولید ناخالص داخلی همگی جزء متغیرهای موثر بوده و هیچکدام از مدل حذف نشدند.
به دست آورد.